# Salesforce의 데이터 품질

> Salesforce 내부에서 데이터 품질이 의미하는 바, CRM 데이터가 저하되는 이유, 중요한 여섯 가지 차원, 그리고 이를 네이티브 환경에서 측정하고 개선하는 방법을 설명합니다.

Source: https://dataqualitysense.com/ko/resources/salesforce/data-quality-in-salesforce/
Last updated: 2026-07-15

---

Salesforce의 데이터 품질이란 조직(org)에 저장된 레코드가 그 데이터를 활용하는 업무, 즉 리포팅, 자동화, 예측, 그리고 점점 더 비중이 커지는 AI를 얼마나 잘 뒷받침하는지를 뜻합니다. Salesforce 조직은 수백만 건의 Account, Contact, Lead, Opportunity를 담을 수 있지만, 데이터의 양이 곧 가치는 아닙니다. 데이터가 불완전하거나, 오래되었거나, 일관성이 없거나, 중복되어 있다면 그 위에 구축된 모든 프로세스가 이러한 결함을 그대로 물려받게 됩니다.

이 가이드에서는 Salesforce 내부에서 데이터 품질이 구체적으로 무엇을 의미하는지, CRM 데이터가 왜 저하되는지, 데이터가 실제로 사용할 수 있는 상태인지를 결정하는 여섯 가지 차원은 무엇인지, 그리고 단 한 건의 레코드도 조직 밖으로 내보내지 않고 품질을 측정하고 개선하는 방법을 설명합니다.

## Salesforce 데이터가 저하되는 이유

Salesforce 데이터는 저절로 깨끗하게 유지되지 않습니다. 데이터는 우연이 아니라 구조적인 이유로 인해 끊임없이 저하됩니다.

- **수동 입력.** 영업 담당자는 조금씩 다른 이름으로 Account를 생성하고, 필수가 아닌 필드를 건너뛰며, 메모를 엉뚱한 위치에 붙여넣습니다. 모든 키 입력이 데이터가 어긋날 수 있는 기회입니다.
- **연동(integration).** 마케팅 자동화, ERP, 청구, 데이터 보강 도구는 저마다의 일정과 가정에 따라 Salesforce에 데이터를 기록합니다. 같은 필드에 기록하는 두 시스템이 영원히 일치하는 경우는 드뭅니다.
- **시간.** 2년 전에는 정확했던 전화번호가 이제는 틀린 번호가 됩니다. 이미 지나간 종료 예정일(close date)은 오해를 불러일으킵니다. 누가 레코드를 건드리든 그렇지 않든, 최신성은 시간이 지나면서 사라집니다.
- **중복.** 동일한 고객이 웹 양식, 리스트 가져오기, 영업 담당자를 통해 각각 들어오면서 하나의 실체에 세 개의 레코드가 생깁니다. 능동적인 모니터링이 없으면 중복은 계속 늘어납니다.
- **AI 에이전트.** Agentforce를 비롯한 에이전트가 레코드를 읽고 쓰게 되면, 발견되지 않은 품질 문제가 사람의 입력으로는 결코 불가능했던 속도와 규모로 퍼져 나갑니다.

원인이 구조적이기 때문에 해답은 일회성 정리가 아닙니다. 답은 지속적인 측정입니다. 저하는 측정 가능합니다: B2B 연락처 데이터는 월 약 2.1% (연간 약 22.5%)씩 오래되어 가며, [ZoomInfo가 컴파일한 데이터 저하 산업 연구](https://pipeline.zoominfo.com/marketing/b2b-data-decay)에 따르면, 이는 통합 드리프트와 중복을 계산하기 전입니다.

## 낮은 데이터 품질이 치르게 하는 비용

Salesforce 환경에서 낮은 데이터 품질은 추상적인 걱정거리가 아닙니다. [Gartner는 부실한 데이터 품질의 평균 비용을 조직당 연간 1,290만 달러로 추정하며](https://www.gartner.com/en/data-analytics/topics/data-quality), [Salesforce의 자체 State of Sales 연구](https://www.salesforce.com/sales/state-of-sales/sales-statistics/)는 판매자가 시간의 60%를 판매 업무가 아닌 작업에 소비한다는 것을 발견했으며, 많은 부분이 수동 CRM 데이터 입력 및 깨끗한 레코드가 표면에 드러낼 정보를 찾는 데 소비됩니다. 조직 내에서 그 비용은 비즈니스에 실질적으로 중요한 세 곳에서 드러납니다.

**리포팅과 예측.** 대시보드는 집계하는 필드만큼만 신뢰할 수 있습니다. 누락된 금액, 오래된 단계(stage), 중복된 Opportunity는 파이프라인과 매출 수치를 조용히 왜곡합니다. 경영진은 보고서를 더 이상 신뢰하지 않게 되고, 의사 결정은 다시 스프레드시트로 옮겨 갑니다.

**자동화.** Flow, 검증 규칙(validation rule), 할당 로직, 승인 프로세스는 모두 자신이 읽는 데이터가 정확하다고 전제합니다. 비어 있는 지역(region) 필드는 Lead를 잘못 라우팅하고, 잘못된 이메일은 너처링(nurture) 시퀀스를 소리 없이 망가뜨립니다. 잘못된 데이터는 자동화를 곱셈기에서 부담으로 바꿔 놓습니다.

**AI 준비도.** 이것은 가장 새롭고 가장 빠르게 커지는 비용입니다. Agentforce나 다른 어떤 AI 시스템을 Salesforce 데이터에 연결하기 전에, 어떤 필드가 완전한지, 어떤 필드에 개인 식별 정보(PII)가 들어 있는지, 어떤 필드가 답변의 근거로 삼을 만큼 최신인지를 알아야 합니다. 검색(retrieval) 인덱스나 학습 데이터셋에 들어간 발견되지 않은 PII는 후단(downstream)의 어떤 필터로도 완전히 되돌릴 수 없는 노출 위험을 만들며, 불완전하거나 오래된 데이터는 확신에 차 있으면서도 틀린 AI 응답을 만들어 냅니다.

## Salesforce 데이터 품질의 여섯 가지 차원

데이터 품질은 가지고 있거나 없거나 하는 단일한 수치가 아닙니다. 그것은 서로 구별되는 여러 차원에 걸쳐 측정되며, 각 차원은 레코드에 대해 서로 다른 질문에 답합니다. 이를 Salesforce에 대응시키면 추상적인 개념이 구체적으로 다가옵니다.

| 차원 | 답하는 질문 | Salesforce에서의 예 |
|---|---|---|
| **완전성(Completeness)** | 채워져야 할 필드가 실제로 채워져 있는가? | 비즈니스상 필수인데도 비어 있는 필드: Account Industry, Contact Email, Opportunity Amount |
| **유효성(Validity)** | 값이 기대하는 형식이나 허용된 집합에 부합하는가? | `@`가 없는 이메일, 문자가 섞인 전화번호, 허용 집합을 벗어난 picklist 값 |
| **고유성(Uniqueness)** | 현실의 각 실체가 한 번만 표현되는가? | 양식, 가져오기, 수동 입력을 거쳐 생성된 중복 Account 및 Contact |
| **일관성(Consistency)** | 값이 규칙과, 그리고 서로 간에 일치하는가? | 세 가지로 표기된 국가명, Billing Country와 모순되는 Billing State |
| **시의성(Timeliness)** | 데이터가 최신이며 날짜가 타당한가? | 몇 개월 지난 Last Activity, 과거로 지난 Close Date, 존재해서는 안 되는 미래 날짜 레코드 |
| **PII 탐지(PII Detection)** | 민감한 개인 데이터는 어디에 있는가? | 자유 텍스트 Description 및 Comment 필드에 들어 있는 주민등록번호, 신용카드 번호, 이메일 |

이 여섯 가지 차원은 두 그룹으로 나뉩니다. 앞의 다섯 가지인 완전성, 유효성, 고유성, 일관성, 시의성은 운영상의 위생 상태, 즉 데이터가 일상적인 CRM 사용에 적합한지를 설명합니다. PII 탐지는 **AI 준비도**에 초점을 맞춘 두 번째 그룹에 속하며, 데이터가 Agentforce와 그 밖의 AI 이니셔티브에 안전하고 준비된 상태인지를 다룹니다.

## Salesforce에서 데이터 품질을 측정하는 방법

측정하지 않는 것은 개선할 수 없고, 손으로만 확인하는 것은 측정할 수 없습니다. Salesforce에서 데이터 품질을 측정한다는 것은 이 여섯 가지 차원을 반복 가능하고 정량화된 스캔으로 전환하는 것을 의미합니다.

핵심 산출물은 **데이터 품질 점수(Data Quality Score)** (데이터 신뢰도 점수라고도 함)입니다. 이는 중요하게 여기는 차원들을 시간에 따라 추적할 수 있는 하나의 수치로 묶어 내는, 단일한 가중치 기반 값입니다. 점수가 100이면 범위 내 모든 레코드가 모든 검사를 통과했다는 뜻이며, 점수가 낮으면 얼마나 많은 작업이 남았는지와 그것이 어디에 집중되어 있는지를 함께 알려 줍니다.

Salesforce에서 유용한 측정 방식에는 세 가지 속성이 있습니다.

1. **레코드 수준이 아니라 필드 수준이다.** Account의 18%에 문제가 있다는 사실을 아는 것은 시작에 불과합니다. 그 문제가 특정 연동을 통해 생성된 Account의 비어 있는 Industry 필드라는 사실을 아는 것이야말로 실행으로 옮길 수 있습니다.
2. **우선순위에 따라 가중치를 둔다.** 누락된 Opportunity Amount는 누락된 보조 전화번호보다 더 중요합니다. 가중치를 두면 점수가 단순한 건수가 아니라 비즈니스 영향을 반영하게 됩니다.
3. **일정에 따라 반복 가능하다.** 품질은 움직이는 표적입니다. 일회성 감사는 실행한 다음 날이면 이미 낡은 것이 됩니다. 예약된 스캔은 스냅숏을 추세선으로 바꿔 놓습니다.

이것이 바로 Data Quality Sense(DQS)가 취하는 방식입니다. 각 객체와 필드에 대해 "좋음"이 무엇을 의미하는지 정의하고, 스캔을 실행하면, 차원별·필드별로 분해된 가중치 기반 데이터 품질 점수를 얻습니다. 그런 다음 스캔이 반복되도록 예약해 추세를 지켜볼 수 있습니다.

## 네이티브 방식이 중요한 이유

Salesforce 데이터 품질을 측정할 때 가장 중요한 아키텍처 결정은 측정이 어디에서 일어나는가입니다. 많은 도구는 레코드를 외부 서비스로 내보내고, 플랫폼 밖에서 프로파일링한 뒤 결과를 다시 보내야 합니다. 이는 세 가지 문제를 낳습니다. 데이터(그 안의 모든 PII 포함)의 복사본이 이제 Salesforce 밖에 존재하게 되고, 결과가 현실보다 뒤처지며, 언제든 끊어질 수 있는 연동에 의존하게 됩니다.

**100% Salesforce 네이티브** 방식은 이 모든 것을 피해 갑니다. 스캔은 플랫폼 자체의 배치 처리(batch processing)를 사용해 조직 내부에서 실행됩니다. 어떤 레코드도 Salesforce를 떠나지 않고, 결과는 실시간 데이터를 반영하며, 유지해야 할 외부 파이프라인도 없습니다. PII가 포함된 데이터, 즉 AI 프로젝트에 앞서 가장 먼저 프로파일링해야 하는 바로 그 데이터에서는 데이터를 플랫폼 안에 두는 것이 단순한 편의가 아니라 컴플라이언스 요건입니다.

DQS가 전적으로 Salesforce 내부에서 실행되는 이유가 바로 이것입니다. 탐지는 결정론적이고 투명합니다. 적용된 모든 규칙을 직접 확인할 수 있으며, 어떤 데이터도 절대 외부로 내보내지 않습니다.

## 시작하기

Salesforce에서 데이터 품질을 개선하는 일은 단순한 순환을 따릅니다. 그리고 이 순환은 수동으로 하든 도구로 하든 동일합니다.

1. 가장 중요한 객체와 필드에 대해 품질이 무엇을 의미하는지 **정의(Define)**합니다.
2. 기준이 되는 데이터 품질 점수와 필드 수준의 분해 결과를 얻기 위해 **스캔(Scan)**합니다.
3. 비즈니스 영향이 가장 크고 수정 노력이 가장 적은 문제부터 **우선순위(Prioritize)**를 정합니다.
4. 정리, 검증 규칙, 더 나은 입력 프로세스를 통해 **수정(Fix)**합니다.
5. 새로운 문제가 퍼지기 전에 드러나도록 예약된 스캔으로 **모니터링(Monitor)**합니다.

DQS에서는 이를 Definition Builder로 구축합니다. Definition Builder는 기능(여섯 가지 차원)을 선택하고, 범위에 포함할 객체와 필드를 고르며, 임곗값을 구성하고, 검토하는 안내형 마법사입니다. 여기에서 스캔을 필요할 때 실행하거나 예약할 수 있고, Insight Studio에서 추세, 필드 상태, 차원별 분해 결과로 결과를 살펴볼 수 있습니다. 모든 과정은 Salesforce 조직 내부에서 이루어집니다.

## 다음 단계

- [Salesforce에서 데이터 품질을 측정하는 방법](/ko/resources/salesforce/measure-data-quality-in-salesforce/): 데이터 품질 점수 심층 설명
- [Salesforce에서 데이터 품질을 개선하는 방법](/ko/resources/salesforce/improve-data-quality-in-salesforce/): 탐지-수정-예방 순환
- [Salesforce 데이터 품질 대시보드](/ko/resources/salesforce/salesforce-data-quality-dashboard/): 추적할 가치가 있는 지표
- [데이터 품질의 다섯 가지 차원](/ko/resources/data-quality/five-dimensions/): 차원들의 바탕이 되는 프레임워크
- [PII 탐지](/ko/resources/ai-readiness/pii-detection/): AI 프로젝트에 앞서 민감한 데이터 찾기
- [Agentforce 준비](/ko/resources/ai-readiness/agentforce-preparation/): Salesforce 데이터를 AI에 맞게 준비하기
- [Agentforce 데이터 준비도 체크리스트](/ko/resources/ai-readiness/agentforce-data-readiness-checklist/): 배포 전에 데이터가 AI 준비 상태인지 확인하기
- [Agentforce 데이터 품질 FAQ](/ko/resources/ai-readiness/agentforce-data-quality-faq/): 배포 전에 팀이 묻는 질문에 대한 빠른 답변
- [데이터 품질이란 무엇인가?](/ko/resources/data-quality/what-is-data-quality/): 기초부터 다지는 기본 개념